当 JSON schema 发生变化时，如何在 PyFlink SQL 中引用嵌套的 JSON？

Question

我有一个事件流，我希望使用 PyFlink 处理这些事件，这些事件取自 AWS EventBridge。此流中的事件共享许多公共字段，但它们的 detail 字段根据 source and/or detail-type 字段的值而变化。例如，这是来自 EC2 的示例事件：

{
  "version": "0",
  "id": "6a7e8feb-b491-4cf7-a9f1-bf3703467718",
  "detail-type": "EC2 Instance State-change Notification",
  "source": "aws.ec2",
  "account": "111122223333",
  "time": "2017-12-22T18:43:48Z",
  "region": "us-west-1",
  "detail": {
    "instance-id": " i-1234567890abcdef0",
    "state": "terminated"
  }
}

id、version、source 等字段在不同事件类型中是一致的，但请注意，流中不同类型的事件与 detail 字段，例如CodeBuild 事件可能如下所示：

  "detail":{
    "build-status": "SUCCEEDED",
    "project-name": "my-sample-project",
    "build-id": "arn:aws:codebuild:us-west-2:123456789012:build/my-sample-project:8745a7a9-c340-456a-9166-edf953571bEX",
    "additional-information": {
      "artifact": {
        "md5sum": "da9c44c8a9a3cd4b443126e823168fEX",
        "sha256sum": "6ccc2ae1df9d155ba83c597051611c42d60e09c6329dcb14a312cecc0a8e39EX",
        "location": "arn:aws:s3:::codebuild-123456789012-output-bucket/my-output-artifact.zip"
      }
     }
   }

我想创建一个如下所示的语句，通过 detail-type 对流进行键控以提供不同的 sub-tables，其中每个 sub-table处理方式不同。

INSERT INTO ec2_event_table SELECT * from input_table WHERE source = 'aws.ec2'
INSERT INTO codebuild_event_table SELECT * from input_table WHERE source = 'aws.codebuild'

如何定义 input_table（包含多路复用事件的输入 table）？我试过：

CREATE TABLE input_table (
            source VARCHAR,
            detail MAP
          )

但这给了我一个错误。我需要指定 MAP 的类型，例如MAP<VARCHAR, VARCHAR>，我无法使用MAP<>。

如何使用 PyFlink SQL 引用深层嵌套 JSON？

我正在尝试使用 SQL 和 Table API 来实现，还是我需要使用 DataStream API？我不想为每个不同的事件类型创建不同的输入流。

Answer 1

列 detail 可以声明为 VARCHAR，然后 input_table 可以定义如下：

CREATE TABLE input_table (
    version VARCHAR,
    id VARCHAR,
    detail-type VARCHAR,
    source VARCHAR,
    account VARCHAR,
    time VARCHAR,
    region VARCHAR,
    detail VARCHAR
) with (
    ...
)

此外，如果您想处理列 detail，您可以将其解析为 Python UDF 中的 json，如下所示：

@udf(result_type=DataTypes.STRING())
def get_id(detail):
    detail_json = json.loads(detail)
    if 'build-id' in detail_json:
        return detail_json['build-id']
    else:
        return detail_json['instance-id']

当 JSON schema 发生变化时，如何在 PyFlink SQL 中引用嵌套的 JSON？

How to reference nested JSON within PyFlink SQL when JSON schema varies?

apache-flink

flink-sql

pyflink